Understanding 第7页

图像分类经典卷积神经网络—ZFNet论文翻译（纯中文版）—Visualizing and Understanding Convolutional Networks(可视化和理解卷积网络)

图像分类经典论文翻译汇总：[翻译汇总]翻译pdf文件下载：[下载地址]此版为中英文对照版，纯中文版请稳步：[ZFNet中英文对照版]VisualizingandUnderstandingConvolutionalNetworks可视化和理解卷积网络MatthewD.ZeilerRobFergusDept.ofComputerScience,NewYorkUniversity,USA（美国纽约大学计

bigcindy·2023-01-07 16:32

【AI4Code】《Unified Pre-training for Program Understanding and Generation》 NAACL 2021

《UnifiedPre-trainingforProgramUnderstandingandGeneration》NAACL2021文章提出的PLBART是一种序列到序列模型，能够执行广泛的程序和语言理解和生成任务。PLBART通过denoisingautoencoding对大量Java和Python函数以及相关的NL文本进行了预训练。代码摘要、代码生成和七种编程语言代码翻译的实验表明，PLBAR

chad_lee·2023-01-06 20:01

Numerical Optimization: Understanding L-BFGS

http://aria42.com/blog/2014/12/understanding-lbfgs/Numericaloptimizationisatthecoreofmuchofmachinelearning.Onceyou

weixin_30278311·2023-01-06 20:59

【论文阅读】Unified Pre-training for Program Understanding and Generation

目录一、简介二、方法三、实验发表于NAACL2021paper地址：https://arxiv.org/pdf/2103.06333v2.pdf代码地址：https://github.com/wasiahmad/PLBART一、简介文章提出的PLBART是一种序列到序列模型，能够执行广泛的程序和语言理解和生成任务。PLBART通过denoisingautoencoding对大量Java和Pytho

知识的芬芳和温柔的力量全都拥有的小王同学·2023-01-06 20:29

【论文精度】PLBART: Unified Pre-training for Program Understanding and Generation

PLBART:UnifiedPre-trainingforProgramUnderstandingandGeneration论文地址：https://arxiv.org/pdf/2103.06333代码地址：https://github.com/wasiahmad/PLBARTAbstract代码摘要和生成支持编程语言（PL）和自然语言（NL）之间的转换，而代码翻译则有助于将旧代码从一种PL迁移到

marasimc·2023-01-06 20:21

阅读文献：“Improving Language Understanding by Generative Pre-Training”（GPT模型）

阅读文献：“ImprovingLanguageUnderstandingbyGenerativePre-Training”Introduction从原始文本中有效学习的能力对于降低有监督学习是极为重要的。从无标记文本中提取相比于词级别的信息更多的信息主要有两个困难：找不到一个合适的损失函数，不同的任务可能需要不同的损失函数。对于如何最有效地将这些学习到的表征转移到目标任务上，目前还没有达成共识。有

小千不爱内卷·2023-01-06 16:40

PyTorch 101, Part1：计算图的理解、自动微分和Autograd模块

翻译原文：https://blog.paperspace.com/pytorch-101-understanding-graphs-and-automatic-differentiation/说在前面：

lp_oreo·2023-01-05 14:56

【论文解读】Spatial As Deep: Spatial CNN for Traffic Scene Understanding（车道线检测SCNN）

SpatialAsDeep:SpatialCNNforTrafficSceneUnderstanding原文链接：https://arxiv.org/abs/1712.06080github链接：https://github.com/XingangPan/SCNNCNN没有充分探索其捕捉图像行和列的像素空间关系的能力，这些关系对于学习具有强形状先验但具弱外观(图像像素)连贯性的语义对象非常重要，例

ashergaga·2023-01-04 18:24

Understanding NUMA and Virtual NUMA (vNUMA) in vSphere

本文转载至：http://anexinetisg.blogspot.com/2014/04/understanding-numa-and-virtual-numa.htmlWorkingwitharecentcustomer

HaveFunInLinux·2023-01-02 08:34

2022: BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and

摘要大多现有的视觉语言预训练好的模型只善于基于理解的任务或基于生成的任务，而且，性能的提高很大程度上是通过扩大来自web上收集的有噪声的图像-文本对的数据集，这是一个次优的监督来源。本文，提出BLIP，一种新的VLP框架，可以灵活地转换到视觉-语言理解和生成任务。BLIP通过引导字幕，有效地利用了有噪声的web数据，其中字幕器生成合成字幕，过滤器去除有噪声的字幕。我们在广泛的视觉语言任务上实现了最

weixin_42653320·2022-12-31 20:49

【论文速递】BLIP：Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and G

背景介绍什么是VLVisionandlanguage将视觉与语言进行一定程度的结合，从而产生出一些新的应用与挑战有哪些任务类型字幕生成ImageCaptioning图像检索ImageRetrieval视觉问答VisualQuestionAnswering图像中标出文字描述的目标GroundingReferringExpression视觉对话VisualDialog什么是VLP（图图传不上来orz）

404TATTOO·2022-12-31 20:11

TinyBERT: Distilling BERT for Natural Language Understanding（2019-9-23）

模型介绍预训练模型的提出，比如BERT，显著的提升了很多自然语言处理任务的表现，它的强大是毫无疑问的。但是他们普遍存在参数过多、模型庞大、推理时间过长、计算昂贵等问题，因此很难落地到实际的产业应用中。TinyBERT是由华中科技大学和华为诺亚方舟实验室联合提出的一种针对transformer-based模型的知识蒸馏方法，以BERT为例对大型预训练模型进行研究。四层结构的TinyBERT4Tiny

不负韶华ღ·2022-12-31 09:42

《TinyBERT: Distilling BERT for Natural Language Understanding》（ICLR-2020在审）论文阅读

前言论文地址：https://arxiv.org/abs/1909.10351代码地址：https://github.com/huawei-noah/Pretrained-Language-Model/tree/master/TinyBERTAbstract目的：加快速度，减少内存，同时尽可能保持效果。1、Introduction提出了一种新的Transformer蒸馏方法。提出了一个两段式的学习

筱踏云·2022-12-31 09:41

TINYBERT: DISTILLING BERT FOR NATURAL LANGUAGE UNDERSTANDING

TINYBERT:DISTILLINGBERTFORNATURALLANGUAGEUNDERSTANDING来源：ICLR2020在审链接：https://arxiv.org/pdf/1909.10351.pdf代码：暂未公布动机预训练的语言模型+微调的模式提升了很多nlp任务的baseline，但是预训练的语言模型太过庞大，参数都是百万级别，因此很难应用到实际的应用场景中，尤其是一些资源有限的设

旺旺棒棒冰·2022-12-31 09:40

【模型蒸馏】TinyBERT: Distilling BERT for Natural Language Understanding

总述TinyBert主要探究如何使用模型蒸馏来实现BERT模型的压缩。主要包括两个创新点：对Transformer的参数进行蒸馏，需要同时注意embedding，attention_weight,过完全连接层之后的hidden，以及最后的logits。对于预训练语言模型，要分为pretrain_model蒸馏以及task-specific蒸馏。分别学习pretrain模型的初始参数以便给压缩模型的

lwgkzl·2022-12-31 09:40

【图像超分辨率】Understanding Deformable Alignment in Video Super-Resolution

UnderstandingDeformableAlignmentinVideoSuper-Resolution摘要1引言2相关工作3统一可变形和基于流的配准3.1可变形卷积的重新审视3.2可变形配准3.3可变形配准和基于流动的配准之间的关系3.4偏移保真度损失4分析4.1可变形配准与光流的对比4.2偏移量多样性分解的等效性学习的偏移量多样性的贡献增加偏移量的多样性4.3偏移保真度损失5结论摘要可变

jaeden_xu·2022-12-31 07:58

SVD and LSI Tutorial 1 Understanding SVD and LSI

分享一下我老师大神的人工智能教程！零基础，通俗易懂！http://blog.csdn.net/jiangjunshow也欢迎大家转载本篇文章。分享知识，造福人民，实现我们中华民族伟大复兴！SVDandLSITutorial1:UnderstandingSVDandLSIAtutorialonSingularValueDecomposition(SVD)andLatentSemanticIndexi

普通网友·2022-12-30 17:39

Spark versus Flink: Understanding Performance in Big Data Analytics Frameworks论文总结

SparkversusFlink:UnderstandingPerformanceinBigDataAnalyticsFrameworks论文总结AbstractI.INTRODUCTIONII.CONTEXTANDBACKGROUNDA.ApacheSparkB.ApacheFlinkC.ZoomontheDifferencesbetweenFlinkandSparkIV.THEIMPORTAN

桐青冰蝶Kiyotaka·2022-12-29 10:31

Bert：Pre-training of Deep Bidirectional Transformers forLanguage Understanding

原文链接：https://arxiv.org/pdf/1810.04805.pdf概述本文提出了一种新的语言模型-Bert，由transformer中的标准的双向编码器表示。该结构通过在所有层中对左右两边上下文进行联合调节，来对无标签文本进行预训练。实验证明，在该预训练模型上加入特定输出层后能够在多个文本任务中取得最好的成绩。包括将GLUE分数提升到了80.5%，7.7个百分点的绝对提升。介绍目前

pepsi_w·2022-12-28 18:10

【论文笔记】GPT-1：Improving Language Understanding by Generative Pre-Training

Abstract核心思想：generativepre-training+discriminativefine-tuning1Introduction为了获取更多annotation，利用linguisticinfo从unlabeleddata中学习，这很有价值，减轻了对NLP中监督学习的依赖，毕竟许多domains缺乏annotatedresources，并且用无监督学习学习到好的表示可以为监督学

changreal·2022-12-28 14:44

Understanding disentangling in β-VAE论文阅读笔记

文章目录前言一、信息瓶颈是什么？二、新的训练目标1.损失函数总结前言文章：Understandingdisentanglinginβ-VAE原文链接：链接Understandingdisentanglinginβ-VAE是基于β-VAE的一篇文章。首先，β-VAE中存在几个问题：1.β-VAE仅仅是通过在KL项增加一个超参数β，发现了模型具有解耦的特性，但是并没有很好的解释为什么增加一个超参数β会

zeronose·2022-12-28 14:44

Visually-Rich Document understanding—— 阅读笔记

paperlist：1、2021《LayoutLM:Pre-trainingofTextandLayoutforDocumentImageUnderstanding》微软2、2021《LayoutLMv2:Multi-modalPre-trainingforVisually-richDocumentUnderstanding》微软3、2021《ViBERTgrid:AJointlyTrainedM

lynn_Dai·2022-12-27 16:57

【论文笔记】LayoutLMv2: Multi-modal Pre-training for Visually-rich Document Understanding(LayoutLMv2)

文章目录LayoutLMv2:Multi-modalPre-trainingforVisually-richDocumentUnderstanding基本信息摘要模型结构TextEmbeddingVisualEmbeddingLayoutEmbeddingSpatial-AwareSelf-AttentionMechanismPre-trainingTasksMaskedvisual-Langua

每天想peach·2022-12-27 16:25

【论文笔记】LayoutXLM: Multimodal Pre-training for Multilingual Visually-rich Document Understanding

文章目录LayoutXLM:MultimodalPre-trainingforMultilingualVisually-richDocumentUnderstanding基本信息摘要模型结构ModelArchitecturePre-trainingMultilingualMaskedVisual-LanguageModelingText-ImageAlignmentText-ImageMatchi

每天想peach·2022-12-27 16:25

ros 开源物体检测_NO. 1 物体位姿估计 & 机器人抓取

利用自监督学习减少数据的依赖性http://apc.cs.princeton.edu/【TECHNISCHEUNIVERSITATDRESDEN】http://cvlab-dresden.de/research/scene-understanding

weixin_39869378·2022-12-27 08:31

【论文笔记】Video2Vec: Learning Semantic Spatial-Temporal Embeddings for Video Representation

视频作为语义连续的时序列帧，我们借助视频的这个特点来表达视频的高层特征（备注，视频和图像的高层特征通常就是指understanding层面）。

迷川浩浩_ZJU·2022-12-25 18:52

详细介绍Deeper Text Understanding for IR with Contextual Neural Language Modeling

若年封尘·2022-12-25 15:24

＜＜计算机视觉NeurIPS＞＞2022：GLIPv2: Unifying Localization and VL Understanding

收录情况：NeurIPS-2022论文链接：https://arxiv.org/abs/2206.05836代码链接：https://github.com/microsoft/GLIP文章目录简介问题方案主要贡献相关工作LocalizationmodelsUnifyinglocalizationandunderstanding方法GLIPv2:UnifyingLocalizationandVLUn

金克丝、·2022-12-22 16:59

pytorch时空数据处理1——LSTM介绍及图像分类

了解LSTM网络（Fromhttp://colah.github.io/posts/2015-08-Understanding-LSTMs/）递归神经网络简单提要遗忘门：第一个利用上一次的输出和这次的输入通过

加一点点醋·2022-12-22 14:46

李沐论文精读：BERT 《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》

https://github.com/google-research/bert论文地址：BERT:Pre-trainingofDeepBidirectionalTransformersforLanguageUnderstanding官方代码地址：https://github.com/google-research/bert课程推荐：李宏毅机器学习--self-supervised：BERT参考：B

iwill323·2022-12-22 12:29

Understanding and Increasing Efficiency of Frank-Wolfe Adversarial Training

AT存在灾难性的过拟合，在训练过程中对抗精度下降，尽管已经提出了改进，但它们增加了训练时间，鲁棒性与多步AT相去甚远。我们开发了一个使用FW优化(FW-AT)进行对抗训练的理论框架，揭示了损失情况与ℓ∞FW攻击的ℓ2失真之间的几何联系。我们分析表明，FW攻击的高失真相当于攻击路径上的小梯度变化。然后在各种深度神经网络架构上通过实验证明，针对鲁棒模型的ℓ∞攻击实现了接近最大的失真，而标准网络具有较低

你今天论文了吗·2022-12-19 14:46

2019-10-8 opencv机器学习1-KNN1-理解kNN（k近邻）

官网https://docs.opencv.org/3.4.1/d5/d26/tutorial_py_knn_understanding.html关于kNN可以参考https://zhuanlan.zhihu.com

没人不认识我·2022-12-19 10:05

Understanding k-Nearest Neighbour

1,KNN是应用于监督式学习的一个简单的分类算法。目的是查找特征空间中最匹配的测试数据。这幅图中有两大家族，蓝色方框与红色三角。我们把家族叫做类，在小镇地图上呈现的是他们的房间，叫做特征空间。（可以想象特征空间就是受保护数据的空间，比如2d坐标空间中，所有的数据都有两个特征，x和y坐标。你可以表示该数据2d坐标空间，对吧？在想象一下,如果有三个特征,你需要3d空间，现在考虑N特性,您需要N维空间,

tcj2015·2022-12-19 10:32

基于OpenCV-python的机器学习（Understanding K-Nearest Neighbour编）

基于OpenCV-python的机器学习（UnderstandingK-NearestNeighbour编）摘要代码后记摘要大家都知道，现在学习机器学习，sklearn是标配。不过在OpenCV里，同样也有一些机器学习的知识。由于更新换代太快了，连官网上的Demo也是运行不起来的。而且网友大神们也不做更新，只能自己探究记录了。代码importcv2importmatplotlib.pyplotas

AlexDish·2022-12-19 10:23

论文笔记：Visualizing and Understanding Convolutional Networks

一、这篇论文解决什么问题模型为什么表现得好（内在原理）模型怎么样改进（可解释地、可控地）以前方法的局限性：只可以对第一层特征进行可视化，而对高层特征束手无策无法解释每一层的不变性（从不同的图中学到相同的特征）本文的核心技术：DeconvolutionalNetwork(deconvnet)本文可以做到：解释训练集中的哪些pattern可以激活相应的featuremap二、模型基础结构及deconv

foreverbeginnerz·2022-12-18 12:01

BERT: Pre-training of Deep Bidirectional Transformers forLanguage Understanding

题目：BERT：用于语言理解的深度双向transformers的预训练作者：JacobDevlinMing-WeiChangKentonLeeKristinaToutanova发布地方：arXiv面向任务：自然语言处理论文地址：https://arxiv.org/abs/1810.04805论文代码：GitHub-google-research/bert:TensorFlowcodeandpre-

SU_ZCS·2022-12-18 09:24

【论文阅读笔记】BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

BERT的出现使我们终于可以在一个大数据集上训练号一个深的神经网络，应用在很多NLP应用上面。BERT:Pre-trainingofDeepBidirectionalTransformersforLanguageUnderstanding深的双向Transformer摘要（Abstract）：与别的文章的区别是什么？效果有多好？与ELMo的区别：ELMo基于RNN，双向，在运用到下游的任务时需要做

我已经吃饱了·2022-12-18 09:24

2019-BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

文章目录1.Title2.Summary3.ProblemStatement4.Method(s)4.1BERT4.1.1ModelArchitecture4.1.2Input/OutputRepresentations4.2Pre-TrainingBERT4.2.1MaskedLanguageModel(MLM)4.2.2NextSentencePrediction(NSP)4.3Fine-tu

小毛激励我好好学习·2022-12-18 09:50

4:BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding 的自我理解

1.Abstract论文地址：https://arxiv.org/pdf/1810.04805.pdfBert最近很火，主要用于表示转换器的双向解码器表示。是一个预训练的语言表征模型。以往的方法都是采用传统的单向语言模型或者把两个单向语言模型进行浅层拼接的方法进行预训练。bert采用的是maskedlanguagemodel（MLM），目前在NLP很多领域的预处理都采用了bert。并且很多都超过了

热爱文学的码农·2022-12-18 09:18

论文阅读——BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

BERT:Pre-trainingofDeepBidirectionalTransformersforLanguageUnderstandingAbstract作者引入了一种新的语言表示模型BERT，只需增加一个输出层，就可以对预先训练的BERT模型进行微调，无需对特定于任务的架构进行重大修改。1Introduction语言模型预训练已经证明对很多下游NLP任务有帮助，比如：自然语言推理，释义（通

Trigger_2017·2022-12-18 09:18

[文献阅读]——BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

Muasci·2022-12-18 09:47

读论文:BERT Pre-training of Deep Bidirectional Transformers for Language Understanding

文章目录0.Abstract1.Introduction2.RelatedWork3.Bert模型3.1预训练Bert3.2微调BertBert之前预训练大多用于cv，Bert的出现让预训练在nlp领域大显身手，浅谈一下读这篇论文的理解0.Abstract首先来看标题，Pre-training预训练，深度双向的transformer，针对一般的语言理解任务来做预训练。1.Introduction预

琦琦酱_·2022-12-18 09:46

文献阅读——BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

这次看到的这篇文献是关于BERT的模型开山设计的文献，通过这篇文献正式了解了有关于BERT的模型设计的起源以及为何设计这个模型，这个模型相比较于之前的模型做了什么改进，这个模型主要是做什么的，通过什么方式进行改进这个模型的，这个模型处理了什么下游任务等等BERT是一个语言模型，这个语言模型主要是用了进行“表示学习”的。得以于它的强大的表示学习能力；通过预训练得到的BERT模型，通过在特定任务的数据

奋斗的海绵·2022-12-18 09:44

图像分类经典卷积神经网络—ZFNet论文翻译（中英文对照版）—Visualizing and Understanding Convolutional Networks(可视化和理解卷积网络)

图像分类经典论文翻译汇总：[翻译汇总]翻译pdf文件下载：[下载地址]此版为中英文对照版，纯中文版请稳步：[ZFNet纯中文版]VisualizingandUnderstandingConvolutionalNetworks可视化和理解卷积网络MatthewD.ZeilerRobFergusDept.ofComputerScience,NewYorkUniversity,USA（美国纽约大学计算机

bigcindy·2022-12-17 17:09

深度学习论文阅读图像分类篇（二）：ZFNet《Visualizing and Understanding Convolutional Networks》

深度学习论文阅读（二）：ZFNet《VisualizingandUnderstandingConvolutionalNetworks》Abstract摘要1.Introduction引言1.1RelatedWork相关工作2.Approach方法2.1VisualizationwithaDeconvnet通过反卷积可视化3.TrainingDetails训练细节4.ConvnetVisualiza

Jasper0420·2022-12-17 10:16

论文译文——BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding

晴晴_Amanda·2022-12-16 12:19

【论文】RfD-Net: Point Scene Understanding by Semantic Instance Reconstruction

CVPR2021SemanticInstanceReconstruction任务包括恢复场景几何，目标定位和重建。Itfocusesonrecoveringtheobjectlabels,posesandgeometriesofobjectsina3Dscenefrompartialobservations(e.g.imagesor3Dscans).RfD模型是端到端的模型，直接从rawpoint

Tony·2022-12-14 18:12

GitHub 23.6k星资源之机器学习必读100篇论文清单：高引用、分类全、覆盖面广

文章目录项目评价标准包含内容Understanding/Generalization/TransferOptimization/TrainingTechniquesUnsupervised/GenerativeModelsConvolutionalNeuralNetworkModelsImage

易烊千蝈·2022-12-14 15:55

GPT模型

Paper:https://s3-us-west-2.amazonaws.com/openai-assets/research-covers/language-unsupervised/language_understanding_paper.pdfGPT

发呆的比目鱼·2022-12-14 09:20

Shortcut Learning of Large Language Models in Natural Language Understanding: A Survey，2020

我是目录！！！IntroductionShortcutLearningPhenomenaWhatisShortcutLearning?GeneralizationandRobustnessChallengeIdentificationofShortcutLearningComprehensivePerformanceTestingExplainabilityAnalysisOriginsofSho

五月的echo·2022-12-14 08:31

推荐频道

Understanding